【摘要】在大数据时代，推荐算法有效缓解了信息过载问题，尤其在岗位推荐领域展现出重要价值。 然而，针对高校毕业生的人岗推荐面临数据冷启动和数据稀疏性挑战，需综合考量专业、实习经历和就业意向等因素。 本文提出基于 Ｔｒａｎｓｆｏｒｍｅｒ 的双向编码器表示（ｂｉｄｉｒｅｃｔｉｏｎａｌ ｅｎｃｏｄｅｒ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｆｒｏｍ Ｔｒａｎｓｆｏｒｍｅｒｓ，ＢＥＲＴ）模型的混合推荐模型，设计冷启动与热启动双路径推荐策略。 冷启动路径基于 ＢＥＲＴ 模型计算岗位与学生嵌入向量的相似度，解决新用户历史数据缺失的困境，热启动路径基于既有用户行为数据，采用加权平均融合策略整合岗位相似度与用户相似度评分矩阵，以提升推荐精度。 用户满意度调查显示：推荐岗位数量在“３ ～ １０ 个”时，符合预期或引起足够兴趣的百分比超 ７０％，验证了该系统满足毕业生就业服务需求的有效性。